タイムライン検索

2026年5月12日

Geminiで構築された協調的AIパートナー「Co-Scientist」を紹介。研究者が科学的なブレークスルーを加速させるのを支援する。

Google DeepMind

2026年5月27日

このポストでは、統合アーキテクチャを使用して、並列推論、コンテキスト永続性、追跡可能な実行パスを実証するマルチエージェントキャンペーンレビュー システムの構築方法を学ぶことができます。

AWS Machine Learning Blog

2026年5月27日

このポストでは、LangGraphエージェントをオーケストレーターとして統合し、Amazon Bedrock AgentCore Memoryと連携させて、AWS上に高度にスケーラブルでサーバーレスなマルチエージェント生成AI システムを構築するソリューションを提供しています。

AWS Machine Learning Blog

2026年5月29日

人間の協調は、戦略的行動を通じて他者の信念に影響を与える能力に依存している。マルチエージェント強化学習では、対戦相手形成がこの影響を複製しようとしているが、既存の方法は通常、対戦相手のパラメータ、ポリシー、または価値空間内で動作している。

arXiv cs.AI

2026年5月29日

ハルシネーションは本番LLMシステムにおける主要な信頼性の障壁であり、特にマルチエージェントパイプラインでは根拠のない主張が段階を通じて伝播する可能性があります。本論文は、HOPE着想のネストされた学習アーキテクチャとコンティニュアムメモリシステム(CMS)を応用しています。

arXiv cs.AI

2026年5月29日

大規模言語モデル(LLM)は流暢な対話を生成できますが、先行研究は状況的な根拠付け、動的戦略制御、および動機面接(MI)の臨床基準に合致した評価が不足しています。我々はStoryMIを導入しました。これは制御可能なMI対話生成のための複数LLMエージェントフレームワークです。

arXiv cs.CL

2026年6月1日

マルチエージェントLLMシステムはしばしば合意を証拠として扱い、パネル内の多くのエージェントが同じ答えを出した場合、その答えはより信頼性が高いと想定される。本研究は、エージェント間の通信後にこの仮定が失敗する可能性があることを示す。通信は相関した失敗と偽の合意を引き起こす可能性がある。

arXiv cs.CL

2026年6月1日

状態拡張ポリシー学習と双対変数の分散コンセンサスを組み合わせた制約付きマルチエージェント強化学習の分散アプローチを提示する。本手法は、エージェントが分離可能なダイナミクスを持つシステムを対象とし、グローバルリソース制約を満たすために調整する必要がある。

arXiv cs.LG

2026年6月1日

本論文は、光学およびSAR衛星を含む地球観測ミッションを実施する異種衛星クラスターにおける自律的なリソース管理の問題に対処し、自動運用モードでは衛星に知的能力を備える。

arXiv cs.AI

2026年6月1日

arXiv:2605.30608v1 発表タイプ：新規。音声テキストとジェスチャー間の共有表現の学習は共話ジェスチャーの検索、合成、および理解の中核である一方、動きだけでは捉えられないコミュニケーション意図を持つ意味的に意味のあるジェスチャーにおいて課題が残っている。

arXiv cs.CL

2026年6月2日

マルチエージェント戦略的相互作用のための言語モデルエージェントの訓練には、中核的な困難が存在します。任意のアクションの質は、実現しなかった将来のイベント、ゲーム規則に違反する動き、または他のプレイヤーの決定に依存する可能性があります。標準的な強化学習はこれを想定していません。

arXiv cs.AI

2026年6月2日

AIエージェントが孤立したツールから共有知識エコシステムの協力的参加者へと移行する中、集団的知識の選別ガバナンスが重要な課題となっています。人間のプラットフォームガバナンスメカニズムは直接適用できません。エージェントの無ステート性は抑止力ベースの制裁を損なうため。

arXiv cs.AI

2026年6月4日

はじめに Google I/O 2026で一番の衝撃は、新モデルではなく Antigravity 2.0 でした。AI搭載IDEだった1.0から、マルチエージェント・オーケストレーション基盤へと完全に生まれ変わったのです。 内部テストの数字は圧倒的です： 93体のエ...

Qiita 人気記事

2026年6月8日

自然言語テキストから複雑な推論を形式化することは、計算言語学における中心的な課題である。現在の議論マイニング技術は基本的な主張と前提を識別するが、前提のタイプ、証明基準、議論スキームなどの特徴を組み込むカーネアデス議論枠組み（CAF）といった高度なスキーマが必要とする豊かな構造情報を捉えるのに苦労している。本研究は、浅い議論構造をCAF準拠の議論モデルに充実させるために設計された自動マルチエージェントフレームワークCAF-Genを導入することでこの制限に対処している。反復的なクリエイター・レビュアーパイプラインを採用することで、クリエイターエージェントの出力は批評的エージェントによって検証され、構造的整合性が確保される。このマルチエージェント協働は、単一パス生成モデルに典型的な構造的不安定性を軽減するために重要である。実験結果は、反復的なフィードバックループが結果データの品質を向上させ、元のアノテーションとの強い一致を達成しながら、構造的により豊かなモデルを生成することを示している。

arXiv cs.CL

2026年6月9日

NBCのアンカーは、「何とか気を強く持とうと必死に頑張っている」ことと、朝番組が「少しの息抜き」になるものの、母親の悲劇的な事件については「決して」忘れることがないと語り、感情的になった。

The Hollywood Reporter

2026年6月9日

Todayショーのアンカーが母親の悲劇的な失踪について語った。84歳のナンシー・ガスリーは1月31日に誘拐された。

Rolling Stone

2026年6月9日

『トゥデイ・ショー』のアンカーを務めるサバンナ・ガスリー氏が、自身の母親の失踪という悲劇的な出来事について語りました。ガスリー氏の母親であるナンシー・ガスリーさん（84歳）は、1月31日に誘拐されたと報じられています。 この状況下で、ガスリー氏は職務中に平静を保つことの難しさを明かしました。精神的な重荷を抱えながらも、彼女はプロフェッショナルとして日々の業務をこなしていると見られます。この出来事は、個人的な悲劇が公の場で働く人々に与える影響を改めて浮き彫りにしています。 現在、警察当局による捜査が進行中であり、母親の安否に関する情報が待たれています。ガスリー氏とその家族にとって、非常に困難な時期が続いていると考えられます。 引用元: Rolling Stone

Rolling Stone

2026年6月10日

Google DeepMindとパートナー企業が、マルチエージェントAIの安全性研究のために1000万ドルの資金提供を呼びかけています。

Google DeepMind

2026年6月11日

arXiv:2606.11199v1 新規発表。 本稿では、NeurIPS 2025のMMU-RAGentコンペティションに提出され、テキスト間生成タスク部門でベストダイナミック評価を受賞した、構造化マルチエージェント検索拡張生成（RAG）システム「NightFeats」を紹介します。ベンチマーク最大化を目標とするのではなく、本研究は知識合成を検索、キュレーション、構成の3つの連携フェーズに分解する原則的なパイプラインを提案します。各フェーズは、明示的な中間表現とハンドオフ契約によって管理されます。エージェンティックコンテキストエンジニアリング（ACE）に着想を得て、本システムは、時間的意味的再ランキング、有界矛盾解消、引用保存構成をコアアーキテクチャプリミティブとして導入しています。

arXiv cs.CL

2026年6月11日

arXiv:2606.11203v1 新規発表 構造化シーケンス生成では、しばしば1つの出力で複数の入力由来の制約を満たすことがモデルに求められます。標準的なデコーディング手法では、流暢な継続に高い確率を割り当てる一方で、必要なアンカーをすべて同時に実現する継続には低い確率を割り当てる可能性があります。これをレアケース逐次推論問題として研究します。LatticeBridgeは、コンパクトなプレフィックス言語モデル、インスタンスコンパイルされたサーフェスオートマトン、そしてリサンプリング、マルチレベル分割、インスタンス提供フレーズから導出されるソースサポート提案項を備えたツイスト逐次モンテカルロ（SMC）デコーダーを組み合わせます。制約表現は各入力インスタンスからコンパイルされ、手動でキュレーションされた語彙クラスに依存しません。

arXiv cs.CL

2026年6月12日

数百万のAIエージェントがネット上で互いにやり取りするようになったとき、何が起きるのか。グーグル・ディープマインドは、その答えを探る安全性研究に、パートナーと組んで1000万ドルを投じる。リスクが深刻になる転換点は数カ月先だと見て、いまから備えるねらいだ。

ASCII.jp

2026年6月16日

言語モデルエージェントがチームで協力する機会が増える中、各エージェントはチームメイトをどれだけ信頼するかを決定する必要があります。しかし、AIエージェント間の信頼を測定する標準的な方法がありません。本研究では、コストのかかる検証に基づく行動測定法を提案します。協力的なサバイバルゲームでは、チームメイトの作業をチェックするにはリソースを消費しますが、間違った答えを信頼すると致命的になり得ます。同じモデルの記憶のないバージョンと比較して、検証の削減は信頼の観測可能な尺度を提供します。このフレームワークを使用して、6つの最先端モデルのスナップショットにわたる信頼の形成、破綻、回復を調査します。一貫して信頼できるチームメイトとペアになった場合、4つのスナップショット（Claude Opus 4.6、Claude Sonnet 4.6、GPT-5.1、Gemini 3.1 Pro）は検証を約60〜85％削減しましたが、2つのより小さなスナップショットはほとんど調整を示しませんでした。失敗は信頼の割引を逆転させますが、モデルの対応は異なります。

arXiv cs.AI

2026年6月17日

大規模言語モデル（LLM）は、受動的な会話アシスタントから、目標を理解し、行動を計画し、ツールを呼び出し、多段階のタスクを実行できる自律エージェントへの移行を加速させています。しかし、単一エージェントの能力は、ローカルデータ、ツール権限、実行環境、およびガバナンスの境界によって依然として制限されています。本稿では、分散型汎用エージェントネットワークについて考察します。これは、個人のデバイス、エッジノード、または自律コンピューティング環境に展開された異種エージェントがお互いを発見し、信頼を確立し、協力ルールを交渉し、オープンエンドなタスクを実行できる、オープンなピアツーピアネットワークです。このようなネットワークは、既存のピアツーピアオーバーレイと従来のマルチエージェントシステムを単純に組み合わせるだけでは得られないと論じます。従来のP2Pネットワークとは異なり、エージェントネットワークは、意図、能力、状態、および協力制約に関するセマンティック宣言を伝播する必要があります。

arXiv cs.AI

2026年6月18日

ネットワーク化されたサイバーフィジカルシステムにおける安全な協調は、学習アルゴリズムにハイブリッドな離散・連続アクション、厳格な学習時間安全制約、物理法則に支配されたダイナミクスを同時に処理することを強制します。これら3つの特徴が、既製のモジュールの単純な組み合わせを無効にするバイアスの有向サイクルを形成することを示し、これを3者結合補題として形式化します。次に、3つのコンポーネントが互いの漏洩を相殺するように共同設計された初のMARLフレームワークであるTRIDENTを導入します。具体的には、Gumbel-SoftmaxバイアスをO(tau)からO(tau^2)に低減するRichardson-Romberg勾配補正、反復ごとの実行可能性を強制するLyapunov制約付き逐次信頼領域更新、報酬ではなく価値を分解する物理情報付き残余クリティックです。制約付きナッシュ均衡へのO~(1/sqrt(K))収束率と、累積違反に対するO(sqrt(K))バウンドを証明します。

arXiv cs.LG

2026年6月18日

大規模言語モデル（LLM）のアンラーニングは、保持されている能力を維持しながら、望ましくない知識や振る舞いを削除することを目的としています。現在のアンラーニング手法はすべて、アンラーニングとリテンションのトレードオフを伴います。リテンション活性化バイアスが、アンラーニングプロセスの具体的な実装を考慮せずに、アンラーニング手法がリテンションに与えるダメージを定量化するためにも使用できることを発見しました。これにより、事後アプローチを使用して、あらゆるアンラーニング手法のリテンションパフォーマンスを回復させることができます。したがって、元のアンラーニングパイプラインを再実行せずに最終的な更新ベクトルをサニタイズするための補完的な事後設定を提案します。この設定では、SAGE（Spectral Activation-GEometry Sanitization）を設計します。これは、最終的なアンラーニング更新のためのソースに依存しない補正です。SAGEは、小さなリテンプロキシから実際のモジュール入力を収集し、その支配的な活性化ジオメトリを抽出し、ソースアンカード最適化目的を閉形式で解決します。

arXiv cs.LG

2026年6月19日

エージェントが数ラウンドにわたって回答を交換・修正するマルチエージェントLLM討議は、推論と精度を向上させるためにますます利用されていますが、その仕組みや理由についてはほとんどモデル化されていません。このような討議は、人間が意思決定に至るプロセスを反映しています。社会的な動物である私たちは、古典的な意見ダイナミクスモデル（DeGrootやFriedkin-Johnsenなどが捉える）が捉える集団、いわゆる herd effect にも、そしてそれらのモデルでは捉えきれない自身の内なる信念にも影響されます。私たちは、マルチエージェント討議を、各エージェントが隠れた内なる信念（アンカー）を持ち、それが近隣の意見に関わらず常に自身の意見を引き寄せるような、クローズドループの力学系としてモデル化します。このアンカーは討議からのみ回復可能であり、古典的な合意規則が禁じる振る舞い、すなわちエージェントの正解に対する信頼度が、いずれかのエージェントが開始した時点を超えて上昇し、初期の信念によって形成される空間（凸包）から脱出する現象を説明することを示します。

arXiv cs.AI